利用矢量量化变分自编码器改进转录组特征进行癌症分型
机器学习
2022-07-21 v1 人工智能
摘要
定义并区分癌症亚型对于推进患者的个性化治疗与预后至关重要。随着我们理解的深入，亚型的定义不断被重新校准。在此重新校准过程中，研究者常依赖癌症数据的聚类来提供可直观揭示亚型内在特征的视觉参考。被聚类的数据通常是与潜在生物学机制高度相关的组学数据，如转录组学数据。然而，尽管现有研究已展现出可喜结果，它们仍受困于组学数据的两大问题：样本稀缺与高维性。因此，现有方法常施加不切实际的假设以从数据中提取有用特征，同时避免对虚假相关性的过拟合。本文提出利用近期强大的生成模型——矢量量化变分自编码器（Vector Quantized Variational AutoEncoder, VQ-VAE）来解决这些数据问题，并通过仅保留与重建输入相关的信息，提取对后续聚类质量至关重要的信息性潜特征。VQ-VAE不施加严格假设，因此其潜特征能更好地表征输入，并可与任意主流聚类方法结合产生更优的聚类性能。在包含10种不同癌症的多个数据集上的大量实验与医学分析表明，VQ-VAE的聚类结果相比主流分型系统可显著且稳健地改善预后。
引用
@article{arxiv.2207.09783,
title = {Cancer Subtyping by Improved Transcriptomic Features Using Vector Quantized Variational Autoencoder},
author = {Zheng Chen and Ziwei Yang and Lingwei Zhu and Guang Shi and Kun Yue and Takashi Matsubara and Shigehiko Kanaya and MD Altaf-Ul-Amin},
journal= {arXiv preprint arXiv:2207.09783},
year = {2022}
}
备注
12 pages